CN118152862A - 基于物联网的充换电柜智能管理方法、系统及介质 - Google Patents
基于物联网的充换电柜智能管理方法、系统及介质 Download PDFInfo
- Publication number
- CN118152862A CN118152862A CN202410572973.6A CN202410572973A CN118152862A CN 118152862 A CN118152862 A CN 118152862A CN 202410572973 A CN202410572973 A CN 202410572973A CN 118152862 A CN118152862 A CN 118152862A
- Authority
- CN
- China
- Prior art keywords
- charging
- cabinet
- fault
- information
- battery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000002068 genetic effect Effects 0.000 claims abstract description 34
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000001816 cooling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Abstract
本发明涉及一种基于物联网的充换电柜智能管理方法、系统及介质,属于充换电柜管理技术领域,本发明通过充换电柜故障类型预测模型预测预设时间之内充换电柜的故障信息,最后通过获取电池在预设时间之内的充电需求信息,基于电池在预设时间之内的充电需求信息计算出电池的预估充电时间信息,并根据电池的预估充电时间信息以及预设时间之内充换电柜的故障信息生成相关的推荐信息。本发明通过融合杰卡德距离度量算法以及遗传算法对各故障类型的训练集进行识别,从而来优化训练集中的样本数据,进而来提高故障预测模型的预测精度,能够更精准的识别出充换电柜在使用过程中的故障情况,提高用户对换电柜的体验度。
Description
技术领域
本发明涉及充换电柜管理技术领域,尤其涉及一种基于物联网的充换电柜智能管理方法、系统及介质。
背景技术
电池交换技术随着电动汽车或者电动自行车的兴起而发展成为一种商业模式,它为电动汽车或者电动自行车提供了一个便捷、高效、经济的电能补充方式, 还可以利用风电、光伏等新能源为更换的电池进行充电。与充电桩不同,充换电柜将电池充电的场景放在了充换电柜内的充电仓上,对大量标准化的蓄电池进行统一充电调度,将充满电的电池通过操作自动化的机械设备来实现用户的换电需求。电动汽车或者电动自行车充电站在供电时长方面,可以利用车辆出行特性建设在为电动汽车或者电动自行车供电的有效区域, 所以对于电动汽车或者电动自行车来说,使用充电桩进行补电十分轻松,但是当充电车辆过多时,那么电动汽车或者电动自行车必须在有限停车位上排队等候,而且充电时长过长,将会进一步延长了客户的等待时间,降低服务质量水平。随着国内外学者对电池交换技术的研究兴趣日益浓厚,电池交换技术更加成熟。自动换电模式可以大幅减小换电时间,有效地提高电池更换的效率而且,换电设施占地面积小、建造成本较低。此外换电模式还具有许多传统充电桩所不具备的优势。然而,对于充换电柜而言,需要远程监测故障类型、故障时间等数据,针对于充换电柜的故障识别精度不高,无法在电池充电过程准确的识别出故障类型、故障时间等数据,从而导致电池充电在预定的时间之内无法充满,导致在换电之后电池可能是电量低,从而需要重复更换,浪费用户的时间,降低了用户的体验度。
发明内容
本发明克服了现有技术的不足,提供了一种基于物联网的充换电柜智能管理方法、系统及介质。
为达上述目的,本发明采用的技术方案为:
本发明第一方面提供了一种基于物联网的充换电柜智能管理方法,包括以下步骤:
通过物联网管理平台获取充换电柜的运行参数特征数据,构建样本数据,并通过对样本数据进行故障类型分类,获取分类后的样本数据集;
根据分类后的样本数据集初始化各故障类型的训练集,通过杰卡德距离度量算法以及遗传算法对各故障类型的训练集进行优化,获取优化后的各故障类型的训练集;
根据优化后的各故障类型的训练集构建充换电柜故障类型预测模型,并通过充换电柜故障类型预测模型预测预设时间之内充换电柜的故障信息;
获取电池在预设时间之内的充电需求信息,基于电池在预设时间之内的充电需求信息计算出电池的预估充电时间信息,并根据电池的预估充电时间信息以及预设时间之内充换电柜的故障信息生成相关的推荐信息。
进一步的,在本方法中,通过物联网管理平台获取充换电柜的运行参数特征数据,构建样本数据,并通过对样本数据进行故障类型分类,获取分类后的样本数据集,具体包括:
通过物联网管理平台获取充换电柜的运行参数特征数据,并根据充换电柜的运行参数特征数据构建样本数据,设置各故障类型的运行参数评价指标,引入决策树模型;
基于样本数据构建根节点,根据各故障类型的运行参数评价指标构建分裂标准,并基于分裂标准对根节点进行初始化分类,获取若干叶节点,判断叶节点中是否存在其他类别的数据;
当叶节点中存在其他类别的数据时,对叶节点进行持续分裂,直至叶节点中不存在其他类别的数据,输出叶节点,并根据叶节点获取分类后的样本数据集。
进一步的,在本方法中,根据分类后的样本数据集初始化各故障类型的训练集,通过杰卡德距离度量算法以及遗传算法对各故障类型的训练集进行优化,获取优化后的各故障类型的训练集,具体包括:
根据分类后的样本数据构建各故障类型的训练集,并初始化各故障类型的训练集的数量,随机选取对应数量的样本数据组合,引入杰卡德距离度量算法以及遗传算法;
通过杰卡德距离度量算法计算各故障类型的训练集之间的杰卡德相似系数,并根据各故障类型的训练集之间的杰卡德相似系数计算出各故障类型的训练集之间的杰卡德距离;
根据遗传算法设置遗传代数,预设杰卡德距离阈值,并判断杰卡德距离是否大于杰卡德距离阈值,当杰卡德距离大于杰卡德距离阈值时,输出样本数据组合,生成优化后的各故障类型的训练集;
当杰卡德距离不大于杰卡德距离阈值时,根据遗传代数进行遗传迭代,调整样本数据组合,直至杰卡德距离大于杰卡德距离阈值时,输出样本数据组合,生成优化后的各故障类型的训练集。
进一步的,在本方法中,根据优化后的各故障类型的训练集构建充换电柜故障类型预测模型,并通过充换电柜故障类型预测模型预测预设时间之内充换电柜的故障信息,具体包括:
基于深度神经网络构建充换电柜故障类型预测模型,并将优化后的各故障类型的训练集输入到充换电柜故障类型预测模型中进行训练,获取充换电柜故障类型预测模型的实时模型参数;
当充换电柜故障类型预测模型的实时模型参数在预设的模型参数阈值范围之内时,训练结束,并将充换电柜故障类型预测模型输出,获取预设时间之内充换电柜的实时运行参数特征数据;
将预设时间之内充换电柜的实时运行参数特征数据输入到充换电柜故障类型预测模型中预测,获取预设时间之内充换电柜的故障类型以及预估故障时间;
将预设时间之内充换电柜的故障类型以及预估故障时间作为预设时间之内充换电柜的故障信息输出。
进一步的,在本方法中,获取电池在预设时间之内的充电需求信息,基于电池在预设时间之内的充电需求信息计算出电池的预估充电时间信息,具体包括:
获取各电池类型信息在不同因子数据之下各电量至充满时充电预估时间信息,并基于深度神经网络构建充电预估时间预测模型,将电池类型信息在不同因子数据之下各电量至充满时充电预估时间信息输入到充电预估时间预测模型中;
融合图神经网络,将电池类型信息作为第一图节点,因子数据作为第二图节点,各电量至充满时充电预估时间信息作为第三图节点,构建拓扑结果,根据拓扑结构获取相关的邻接矩阵;
将相关的邻接矩阵输入到充电预估时间预测模型中进行训练,获取训练完成的充电预估时间预测模型,并获取电池在预设时间之内的充电需求信息;
根据电池在预设时间之内的充电需求信息获取电池的初始电量信息,并将电池的初始电量信息输入到训练完成的充电预估时间预测模型中进行预测,获取电池的预估充电时间信息。
进一步的,在本方法中,根据电池的预估充电时间信息以及预设时间之内充换电柜的故障信息生成相关的推荐信息,具体包括:
根据预设时间之内充换电柜的故障信息获取充换电柜的预估故障时间信息,判断电池的预估充电时间信息是否在充换电柜的预估故障时间信息之内;
当电池的预估充电时间信息不在充换电柜的预估故障时间信息之内,根据充换电柜的预估故障时间信息进行先后排序,获取充换电柜的推荐优先级排序;
当电池的预估充电时间信息在充换电柜的预估故障时间信息之内,则将降低对应的充换电柜的推荐优先级,重置充换电柜的推荐优先级排序;
基于充换电柜的推荐优先级排序生成相关的推荐信息,将相关的推荐信息按照预设方式进行推送。
本发明第二方面提供了一种基于物联网的充换电柜智能管理系统,系统包括存储器以及处理器,存储器中包括基于物联网的充换电柜智能管理方法程序,基于物联网的充换电柜智能管理方法程序被处理器执行时,实现如下步骤:
通过物联网管理平台获取充换电柜的运行参数特征数据,构建样本数据,并通过对样本数据进行故障类型分类,获取分类后的样本数据集;
根据分类后的样本数据集初始化各故障类型的训练集,通过杰卡德距离度量算法以及遗传算法对各故障类型的训练集进行优化,获取优化后的各故障类型的训练集;
根据优化后的各故障类型的训练集构建充换电柜故障类型预测模型,并通过充换电柜故障类型预测模型预测预设时间之内充换电柜的故障信息;
获取电池在预设时间之内的充电需求信息,基于电池在预设时间之内的充电需求信息计算出电池的预估充电时间信息,并根据电池的预估充电时间信息以及预设时间之内充换电柜的故障信息生成相关的推荐信息。
本发明第三方面提供了一种计算机可读存储介质,计算机可读存储介质中包括基于物联网的充换电柜智能管理方法程序,基于物联网的充换电柜智能管理方法程序被处理器执行时,实现任一项的基于物联网的充换电柜智能管理方法的步骤。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
本发明通过物联网管理平台获取充换电柜的运行参数特征数据,构建样本数据,并通过对样本数据进行故障类型分类,获取分类后的样本数据集,进而根据分类后的样本数据集初始化各故障类型的训练集,通过杰卡德距离度量算法以及遗传算法对各故障类型的训练集进行优化,获取优化后的各故障类型的训练集,从而根据优化后的各故障类型的训练集构建充换电柜故障类型预测模型,并通过充换电柜故障类型预测模型预测预设时间之内充换电柜的故障信息,最后通过获取电池在预设时间之内的充电需求信息,基于电池在预设时间之内的充电需求信息计算出电池的预估充电时间信息,并根据电池的预估充电时间信息以及预设时间之内充换电柜的故障信息生成相关的推荐信息。本发明通过融合杰卡德距离度量算法以及遗传算法对各故障类型的训练集进行识别,从而来优化训练集中的样本数据,进而来提高故障预测模型的预测精度,能够更精准的识别出充换电柜在使用过程中的故障情况,提高用户对换电柜的体验度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他实施例的附图。
图1示出了基于物联网的充换电柜智能管理方法的整体方法流程图;
图2示出了基于物联网的充换电柜智能管理方法的第一方法流程图;
图3示出了基于物联网的充换电柜智能管理方法的第二方法流程图
图4示出了基于物联网的充换电柜智能管理系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本发明第一方面提供了一种基于物联网的充换电柜智能管理方法,包括以下步骤:
S102:通过物联网管理平台获取充换电柜的运行参数特征数据,构建样本数据,并通过对样本数据进行故障类型分类,获取分类后的样本数据集;
S104:根据分类后的样本数据集初始化各故障类型的训练集,通过杰卡德距离度量算法以及遗传算法对各故障类型的训练集进行优化,获取优化后的各故障类型的训练集;
S106:根据优化后的各故障类型的训练集构建充换电柜故障类型预测模型,并通过充换电柜故障类型预测模型预测预设时间之内充换电柜的故障信息;
S108:获取电池在预设时间之内的充电需求信息,基于电池在预设时间之内的充电需求信息计算出电池的预估充电时间信息,并根据电池的预估充电时间信息以及预设时间之内充换电柜的故障信息生成相关的推荐信息。
需要说明的是,本发明通过融合杰卡德距离度量算法以及遗传算法对各故障类型的训练集进行识别,从而来优化训练集中的样本数据,进而来提高故障预测模型的预测精度,能够更精准的识别出充换电柜在使用过程中的故障情况,提高用户对换电柜的体验度。
进一步的,在本方法的步骤S102中,具体包括以下步骤:
通过物联网管理平台获取充换电柜的运行参数特征数据,并根据充换电柜的运行参数特征数据构建样本数据,设置各故障类型的运行参数评价指标,引入决策树模型;
需要说明的是,运行参数特征数据包括输电设备的电流参数、输电设备的电压参数、输电设备的运行状态、继电器设备的工作状态、温控设备的运行参数(如气冷温控设备在单位时间内的降温情况、水冷温控设备在单位时间内的降温情况等)。
基于样本数据构建根节点,根据各故障类型的运行参数评价指标构建分裂标准,并基于分裂标准对根节点进行初始化分类,获取若干叶节点,判断叶节点中是否存在其他类别的数据;
当叶节点中存在其他类别的数据时,对叶节点进行持续分裂,直至叶节点中不存在其他类别的数据,输出叶节点,并根据叶节点获取分类后的样本数据集。
需要说明的是,由于换电柜内可能涉及多种设备,其中每种设备的故障都是其中的一种类型,通过本方法能够对充换电柜的运行参数特征数据进行故障划分,从而获取到分类后的样本数据集。
如图2所示,进一步的,在本方法的S104中,具体包括:
S202:根据分类后的样本数据构建各故障类型的训练集,并初始化各故障类型的训练集的数量,随机选取对应数量的样本数据组合,引入杰卡德距离度量算法以及遗传算法;
S204:通过杰卡德距离度量算法计算各故障类型的训练集之间的杰卡德相似系数,并根据各故障类型的训练集之间的杰卡德相似系数计算出各故障类型的训练集之间的杰卡德距离;
S206:根据遗传算法设置遗传代数,预设杰卡德距离阈值,并判断杰卡德距离是否大于杰卡德距离阈值,当杰卡德距离大于杰卡德距离阈值时,输出样本数据组合,生成优化后的各故障类型的训练集;
S208:当杰卡德距离不大于杰卡德距离阈值时,根据遗传代数进行遗传迭代,调整样本数据组合,直至杰卡德距离大于杰卡德距离阈值时,输出样本数据组合,生成优化后的各故障类型的训练集。
需要说明的是,实际上训练集中的样本数据中可能存在多种故障类型,这样对于相当于一个样本中存在多种的故障类型,在对充换电柜故障类型预测模型进行训练时,由于多尺度信息的存在会有一定的抑制干扰,当杰卡德距离不大于杰卡德距离阈值时,说明故障类型的数据集之间存在至少两种故障类型,从而通过遗传算法对样本数据组合进行调整,从而来抑制多尺度信息对预测模型的干扰,从而提高对充换电柜故障类型的预测精度。
进一步的,在本方法的步骤S106中,具体包括:
基于深度神经网络构建充换电柜故障类型预测模型,并将优化后的各故障类型的训练集输入到充换电柜故障类型预测模型中进行训练,获取充换电柜故障类型预测模型的实时模型参数;
当充换电柜故障类型预测模型的实时模型参数在预设的模型参数阈值范围之内时,训练结束,并将充换电柜故障类型预测模型输出,获取预设时间之内充换电柜的实时运行参数特征数据;
将预设时间之内充换电柜的实时运行参数特征数据输入到充换电柜故障类型预测模型中预测,获取预设时间之内充换电柜的故障类型以及预估故障时间;
将预设时间之内充换电柜的故障类型以及预估故障时间作为预设时间之内充换电柜的故障信息输出。
如图3所示,进一步的,在本方法的步骤S108中,获取电池在预设时间之内的充电需求信息,基于电池在预设时间之内的充电需求信息计算出电池的预估充电时间信息,具体包括:
S302:获取各电池类型信息在不同因子数据之下各电量至充满时充电预估时间信息,并基于深度神经网络构建充电预估时间预测模型,将电池类型信息在不同因子数据之下各电量至充满时充电预估时间信息输入到充电预估时间预测模型中;
S304:融合图神经网络,将电池类型信息作为第一图节点,因子数据作为第二图节点,各电量至充满时充电预估时间信息作为第三图节点,构建拓扑结果,根据拓扑结构获取相关的邻接矩阵;
S306:将相关的邻接矩阵输入到充电预估时间预测模型中进行训练,获取训练完成的充电预估时间预测模型,并获取电池在预设时间之内的充电需求信息;
S308:根据电池在预设时间之内的充电需求信息获取电池的初始电量信息,并将电池的初始电量信息输入到训练完成的充电预估时间预测模型中进行预测,获取电池的预估充电时间信息。
需要说明的是,因子数据包括充电环境温度、湿度等数据,通过本方法能够更加准确地预测出电池的预估充电时间信息。
进一步的,在本方法中,根据电池的预估充电时间信息以及预设时间之内充换电柜的故障信息生成相关的推荐信息,具体包括:
根据预设时间之内充换电柜的故障信息获取充换电柜的预估故障时间信息,判断电池的预估充电时间信息是否在充换电柜的预估故障时间信息之内;
当电池的预估充电时间信息不在充换电柜的预估故障时间信息之内,根据充换电柜的预估故障时间信息进行先后排序,获取充换电柜的推荐优先级排序;
当电池的预估充电时间信息在充换电柜的预估故障时间信息之内,则将降低对应的充换电柜的推荐优先级,重置充换电柜的推荐优先级排序;
基于充换电柜的推荐优先级排序生成相关的推荐信息,将相关的推荐信息按照预设方式进行推送。
需要说明的是,通过本方法能够推荐出电池的预估充电时间信息不在充换电柜的预估故障时间信息之内的充换电柜进行换电,提高用户的体验度。充换电柜可以是分为多个充电子区域的,亦可以是单个区域的,当为多个充电子区域的,则可以对每个充电子区域进行故障类型的预测,从而使得在电池换电之后选择出更加合适的充电子区域。其中,可以通过手机智能终端上的APP程序、小程序、车机终端中的APP程序等方式进行查看。
通过物联网管理平台获取充换电柜的运行参数特征数据,具体包括:将目标区域中的充换电柜集成到物联网管理平台中,初始化物联网管理平台预设时间之内对充换电柜的监测数量,并根据所述预设时间之内对充换电柜的监测数对所述物联网管理平台进行测试;通过测试,获取物联网管理平台与充换电柜之间在信息传输的延迟特征数据信息,并设置延迟特征阈值信息,判断所述物联网管理平台与充换电柜之间在信息传输的延迟特征数据信息是否大于所述延迟特征阈值信息;引入粒子群算法,根据所述粒子群算法设置迭代代数,当所述物联网管理平台与充换电柜之间在信息传输的延迟特征数据信息大于所述延迟特征阈值信息时,基于所述迭代代数对所述物联网管理平台预设时间之内对充换电柜的监测数量进行迭代;当所述物联网管理平台与充换电柜之间在信息传输的延迟特征数据信息不大于所述延迟特征阈值信息时,输出物联网管理平台预设时间之内对充换电柜的监测数量,并通过物联网管理平台获取充换电柜的运行参数特征数据。
需要说明的是,实际上物联网管理平台在不同充换电柜的监测数量之下在信息传输时有着不同的延迟特征数据信息,通过本方法进一步对物联网管理平台进行进一步的优化,提高对充换电柜的运行参数特征数据的数据采集合理性。
本方法还可以包括:通过大数据获取不同环境因子之下对于物联网管理平台与充换电柜之间在信息传输的延迟特征数据信息,并构建知识图谱,将所述不同环境因子之下对于物联网管理平台与充换电柜之间在信息传输的延迟特征数据信息输入到所述知识图谱中进行存储;获取预设时间之内的环境因子数据信息,并将所述预设时间之内的环境因子数据信息输入到所述知识图谱中进行数据匹配;通过数据匹配,获取当前环境因子之下的对于物联网管理平台与充换电柜之间在信息传输的延迟特征数据信息;根据所述当前环境因子之下的对于物联网管理平台与充换电柜之间在信息传输的延迟特征数据信息对当前信息延迟特征数据信息进行更新,并调整物联网管理平台预设时间之内对充换电柜的监测数量。
需要说明的是,环境因子数据包括气象类型、温度、湿度、电磁波干扰等情况,通过本方法能够根据实际情况对信息延迟特征数据信息进行更新,提高物联网管理平台的配置合理性。
如图4所示,本发明第二方面提供了一种基于物联网的充换电柜智能管理系统4,该系统4包括存储器41以及处理器42,存储器41中包括基于物联网的充换电柜智能管理方法程序,基于物联网的充换电柜智能管理方法程序被处理器执行时,实现如下步骤:
通过物联网管理平台获取充换电柜的运行参数特征数据,构建样本数据,并通过对样本数据进行故障类型分类,获取分类后的样本数据集;
根据分类后的样本数据集初始化各故障类型的训练集,通过杰卡德距离度量算法以及遗传算法对各故障类型的训练集进行优化,获取优化后的各故障类型的训练集;
根据优化后的各故障类型的训练集构建充换电柜故障类型预测模型,并通过充换电柜故障类型预测模型预测预设时间之内充换电柜的故障信息;
获取电池在预设时间之内的充电需求信息,基于电池在预设时间之内的充电需求信息计算出电池的预估充电时间信息,并根据电池的预估充电时间信息以及预设时间之内充换电柜的故障信息生成相关的推荐信息。
进一步的,在本系统中,通过物联网管理平台获取充换电柜的运行参数特征数据,构建样本数据,并通过对样本数据进行故障类型分类,获取分类后的样本数据集,具体包括:
通过物联网管理平台获取充换电柜的运行参数特征数据,并根据充换电柜的运行参数特征数据构建样本数据,设置各故障类型的运行参数评价指标,引入决策树模型;
基于样本数据构建根节点,根据各故障类型的运行参数评价指标构建分裂标准,并基于分裂标准对根节点进行初始化分类,获取若干叶节点,判断叶节点中是否存在其他类别的数据;
当叶节点中存在其他类别的数据时,对叶节点进行持续分裂,直至叶节点中不存在其他类别的数据,输出叶节点,并根据叶节点获取分类后的样本数据集。
进一步的,在本系统中,根据分类后的样本数据集初始化各故障类型的训练集,通过杰卡德距离度量算法以及遗传算法对各故障类型的训练集进行优化,获取优化后的各故障类型的训练集,具体包括:
根据分类后的样本数据构建各故障类型的训练集,并初始化各故障类型的训练集的数量,随机选取对应数量的样本数据组合,引入杰卡德距离度量算法以及遗传算法;
通过杰卡德距离度量算法计算各故障类型的训练集之间的杰卡德相似系数,并根据各故障类型的训练集之间的杰卡德相似系数计算出各故障类型的训练集之间的杰卡德距离;
根据遗传算法设置遗传代数,预设杰卡德距离阈值,并判断杰卡德距离是否大于杰卡德距离阈值,当杰卡德距离大于杰卡德距离阈值时,输出样本数据组合,生成优化后的各故障类型的训练集;
当杰卡德距离不大于杰卡德距离阈值时,根据遗传代数进行遗传迭代,调整样本数据组合,直至杰卡德距离大于杰卡德距离阈值时,输出样本数据组合,生成优化后的各故障类型的训练集。
进一步的,在本系统中,根据优化后的各故障类型的训练集构建充换电柜故障类型预测模型,并通过充换电柜故障类型预测模型预测预设时间之内充换电柜的故障信息,具体包括:
基于深度神经网络构建充换电柜故障类型预测模型,并将优化后的各故障类型的训练集输入到充换电柜故障类型预测模型中进行训练,获取充换电柜故障类型预测模型的实时模型参数;
当充换电柜故障类型预测模型的实时模型参数在预设的模型参数阈值范围之内时,训练结束,并将充换电柜故障类型预测模型输出,获取预设时间之内充换电柜的实时运行参数特征数据;
将预设时间之内充换电柜的实时运行参数特征数据输入到充换电柜故障类型预测模型中预测,获取预设时间之内充换电柜的故障类型以及预估故障时间;
将预设时间之内充换电柜的故障类型以及预估故障时间作为预设时间之内充换电柜的故障信息输出。
进一步的,在本系统中,获取电池在预设时间之内的充电需求信息,基于电池在预设时间之内的充电需求信息计算出电池的预估充电时间信息,具体包括:
获取各电池类型信息在不同因子数据之下各电量至充满时充电预估时间信息,并基于深度神经网络构建充电预估时间预测模型,将电池类型信息在不同因子数据之下各电量至充满时充电预估时间信息输入到充电预估时间预测模型中;
融合图神经网络,将电池类型信息作为第一图节点,因子数据作为第二图节点,各电量至充满时充电预估时间信息作为第三图节点,构建拓扑结果,根据拓扑结构获取相关的邻接矩阵;
将相关的邻接矩阵输入到充电预估时间预测模型中进行训练,获取训练完成的充电预估时间预测模型,并获取电池在预设时间之内的充电需求信息;
根据电池在预设时间之内的充电需求信息获取电池的初始电量信息,并将电池的初始电量信息输入到训练完成的充电预估时间预测模型中进行预测,获取电池的预估充电时间信息。
进一步的,在本系统中,根据电池的预估充电时间信息以及预设时间之内充换电柜的故障信息生成相关的推荐信息,具体包括:
根据预设时间之内充换电柜的故障信息获取充换电柜的预估故障时间信息,判断电池的预估充电时间信息是否在充换电柜的预估故障时间信息之内;
当电池的预估充电时间信息不在充换电柜的预估故障时间信息之内,根据充换电柜的预估故障时间信息进行先后排序,获取充换电柜的推荐优先级排序;
当电池的预估充电时间信息在充换电柜的预估故障时间信息之内,则将降低对应的充换电柜的推荐优先级,重置充换电柜的推荐优先级排序;
基于充换电柜的推荐优先级排序生成相关的推荐信息,将相关的推荐信息按照预设方式进行推送。
本发明第三方面提供了一种计算机可读存储介质,计算机可读存储介质中包括基于物联网的充换电柜智能管理方法程序,基于物联网的充换电柜智能管理方法程序被处理器执行时,实现任一项的基于物联网的充换电柜智能管理方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.基于物联网的充换电柜智能管理方法,其特征在于,包括以下步骤:
通过物联网管理平台获取充换电柜的运行参数特征数据,构建样本数据,并通过对所述样本数据进行故障类型分类,获取分类后的样本数据集;
根据所述分类后的样本数据集初始化各故障类型的训练集,通过杰卡德距离度量算法以及遗传算法对各故障类型的训练集进行优化,获取优化后的各故障类型的训练集;
根据所述优化后的各故障类型的训练集构建充换电柜故障类型预测模型,并通过所述充换电柜故障类型预测模型预测预设时间之内充换电柜的故障信息;
获取电池在预设时间之内的充电需求信息,基于所述电池在预设时间之内的充电需求信息计算出电池的预估充电时间信息,并根据所述电池的预估充电时间信息以及预设时间之内充换电柜的故障信息生成相关的推荐信息。
2.根据权利要求1所述的基于物联网的充换电柜智能管理方法,其特征在于,通过物联网管理平台获取充换电柜的运行参数特征数据,构建样本数据,并通过对所述样本数据进行故障类型分类,获取分类后的样本数据集,具体包括:
通过物联网管理平台获取充换电柜的运行参数特征数据,并根据所述充换电柜的运行参数特征数据构建样本数据,设置各故障类型的运行参数评价指标,引入决策树模型;
基于所述样本数据构建根节点,根据所述各故障类型的运行参数评价指标构建分裂标准,并基于所述分裂标准对所述根节点进行初始化分类,获取若干叶节点,判断所述叶节点中是否存在其他类别的数据;
当所述叶节点中存在其他类别的数据时,对所述叶节点进行持续分裂,直至所述叶节点中不存在其他类别的数据,输出叶节点,并根据所述叶节点获取分类后的样本数据集。
3.根据权利要求1所述的基于物联网的充换电柜智能管理方法,其特征在于,根据所述分类后的样本数据集初始化各故障类型的训练集,通过杰卡德距离度量算法以及遗传算法对各故障类型的训练集进行优化,获取优化后的各故障类型的训练集,具体包括:
根据所述分类后的样本数据构建各故障类型的训练集,并初始化所述各故障类型的训练集的数量,随机选取对应数量的样本数据组合,引入杰卡德距离度量算法以及遗传算法;
通过所述杰卡德距离度量算法计算所述各故障类型的训练集之间的杰卡德相似系数,并根据所述各故障类型的训练集之间的杰卡德相似系数计算出各故障类型的训练集之间的杰卡德距离;
根据所述遗传算法设置遗传代数,预设杰卡德距离阈值,并判断所述杰卡德距离是否大于所述杰卡德距离阈值,当所述杰卡德距离大于所述杰卡德距离阈值时,输出样本数据组合,生成优化后的各故障类型的训练集;
当所述杰卡德距离不大于所述杰卡德距离阈值时,根据所述遗传代数进行遗传迭代,调整样本数据组合,直至所述杰卡德距离大于所述杰卡德距离阈值时,输出样本数据组合,生成优化后的各故障类型的训练集。
4.根据权利要求1所述的基于物联网的充换电柜智能管理方法,其特征在于,根据所述优化后的各故障类型的训练集构建充换电柜故障类型预测模型,并通过所述充换电柜故障类型预测模型预测预设时间之内充换电柜的故障信息,具体包括:
基于深度神经网络构建充换电柜故障类型预测模型,并将所述优化后的各故障类型的训练集输入到所述充换电柜故障类型预测模型中进行训练,获取所述充换电柜故障类型预测模型的实时模型参数;
当所述充换电柜故障类型预测模型的实时模型参数在预设的模型参数阈值范围之内时,训练结束,并将所述充换电柜故障类型预测模型输出,获取预设时间之内充换电柜的实时运行参数特征数据;
将所述预设时间之内充换电柜的实时运行参数特征数据输入到所述充换电柜故障类型预测模型中预测,获取预设时间之内充换电柜的故障类型以及预估故障时间;
将所述预设时间之内充换电柜的故障类型以及预估故障时间作为预设时间之内充换电柜的故障信息输出。
5.根据权利要求1所述的基于物联网的充换电柜智能管理方法,其特征在于,获取电池在预设时间之内的充电需求信息,基于所述电池在预设时间之内的充电需求信息计算出电池的预估充电时间信息,具体包括:
获取各电池类型信息在不同因子数据之下各电量至充满时充电预估时间信息,并基于深度神经网络构建充电预估时间预测模型,将所述电池类型信息在不同因子数据之下各电量至充满时充电预估时间信息输入到所述充电预估时间预测模型中;
融合图神经网络,将电池类型信息作为第一图节点,因子数据作为第二图节点,各电量至充满时充电预估时间信息作为第三图节点,构建拓扑结果,根据所述拓扑结构获取相关的邻接矩阵;
将所述相关的邻接矩阵输入到所述充电预估时间预测模型中进行训练,获取训练完成的充电预估时间预测模型,并获取电池在预设时间之内的充电需求信息;
根据所述电池在预设时间之内的充电需求信息获取电池的初始电量信息,并将所述电池的初始电量信息输入到所述训练完成的充电预估时间预测模型中进行预测,获取电池的预估充电时间信息。
6.根据权利要求1所述的基于物联网的充换电柜智能管理方法,其特征在于,根据所述电池的预估充电时间信息以及预设时间之内充换电柜的故障信息生成相关的推荐信息,具体包括:
根据所述预设时间之内充换电柜的故障信息获取充换电柜的预估故障时间信息,判断所述电池的预估充电时间信息是否在所述充换电柜的预估故障时间信息之内;
当所述电池的预估充电时间信息不在所述充换电柜的预估故障时间信息之内,根据所述充换电柜的预估故障时间信息进行先后排序,获取充换电柜的推荐优先级排序;
当所述电池的预估充电时间信息在所述充换电柜的预估故障时间信息之内,则将降低对应的充换电柜的推荐优先级,重置充换电柜的推荐优先级排序;
基于所述充换电柜的推荐优先级排序生成相关的推荐信息,将所述相关的推荐信息按照预设方式进行推送。
7.基于物联网的充换电柜智能管理系统,其特征在于,所述系统包括存储器以及处理器,所述存储器中包括基于物联网的充换电柜智能管理方法程序,所述基于物联网的充换电柜智能管理方法程序被所述处理器执行时,实现如下步骤:
通过物联网管理平台获取充换电柜的运行参数特征数据,构建样本数据,并通过对所述样本数据进行故障类型分类,获取分类后的样本数据集;
根据所述分类后的样本数据集初始化各故障类型的训练集,通过杰卡德距离度量算法以及遗传算法对各故障类型的训练集进行优化,获取优化后的各故障类型的训练集;
根据所述优化后的各故障类型的训练集构建充换电柜故障类型预测模型,并通过所述充换电柜故障类型预测模型预测预设时间之内充换电柜的故障信息;
获取电池在预设时间之内的充电需求信息,基于所述电池在预设时间之内的充电需求信息计算出电池的预估充电时间信息,并根据所述电池的预估充电时间信息以及预设时间之内充换电柜的故障信息生成相关的推荐信息。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括基于物联网的充换电柜智能管理方法程序,所述基于物联网的充换电柜智能管理方法程序被处理器执行时,实现如权利要求1-6任一项所述的基于物联网的充换电柜智能管理方法的步骤。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118152862A true CN118152862A (zh) | 2024-06-07 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117040028B (zh) | 一种工商业园区光储充微电网的控制策略优化方法及系统 | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
CN116933666B (zh) | 一种集装箱储能系统的热管理优化方法、系统及介质 | |
CN115954910B (zh) | 一种基于能量优化的分布式储能控制方法及系统 | |
CN113326467B (zh) | 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统 | |
CN112477674A (zh) | 一种充电桩的远程集群充电控制方法、装置及系统 | |
CN115158097B (zh) | 一种基于物联网的充电桩管理方法、系统及存储介质 | |
CN112670999B (zh) | 一种基于用户侧灵活资源的低压配电网实时电压控制方法 | |
CN115842347A (zh) | 一种基于数字孪生的微网负荷动态平衡方法、系统及介质 | |
CN112583100A (zh) | 一种太阳能控制器控制系统 | |
CN115081743A (zh) | 充电站系统配置方法、装置、设备及计算机可读存储介质 | |
CN112953007A (zh) | 配电网调度方法、装置及系统、处理器、电子设备 | |
CN116826714A (zh) | 基于光伏发电的电力分配方法、系统、终端及存储介质 | |
CN116436019A (zh) | 一种多资源协调优化方法、装置及存储介质 | |
CN118152862A (zh) | 基于物联网的充换电柜智能管理方法、系统及介质 | |
CN116562921A (zh) | 一种基于动态预测的工业电源储能优化方法、系统及介质 | |
CN116609669A (zh) | 一种基于大数据的动力电池充电工况提取方法及装置 | |
CN113821911B (zh) | 一种充电站负荷的预测方法、装置及系统 | |
CN114357677A (zh) | 电动汽车充放电配网节点电压越限风险的评估方法 | |
CN116911583B (zh) | 一种电动汽车充电站设备的规划方法、系统及介质 | |
CN117060402B (zh) | 一种基于分布式智能电网的能源互联网平台架构方法 | |
CN109494792B (zh) | 光伏电站弃光电量的确定方法及装置 | |
Gerossier et al. | Modeling Electric Vehicle Consumption Profiles for Short-Term Forecasting and Long-Term Simulation | |
CN116080463A (zh) | 用于充电站的储能管理的方法、设备和计算机程序产品 | |
CN118075123A (zh) | 面向电力全场景的海量数据统一处理平台的管理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |